LBP（局部二值模式）是一种高效的纹理特征提取方法，通过比较像素邻域灰度值生成二进制编码来描述局部纹理。本文详细介绍了LBP的核心原理、进阶变种（包括圆形邻域、旋转不变和均匀模式LBP）及其在纹理分类、人脸识别和目标检测等领域的应用。文章还提供了Python实现示例和实战优化技巧，如多尺度特征融合和预处理方法。LBP以其计算高效、光照鲁棒等特点，在计算机视觉领域持续发挥作用，未来将与深度学习进一步

本文梳理了ImageNet竞赛中推动计算机视觉发展的关键CNN架构。AlexNet通过ReLU激活、Dropout等技术开启深度学习视觉时代；VGGNet以3×3小卷积核实现高效特征提取；GoogLeNet提出Inception模块进行多尺度融合；ResNet通过残差连接解决深度网络训练难题。这些创新架构不仅提升了竞赛性能，还广泛应用于医疗影像、自动驾驶等领域。未来CNN将向超深层网络、多任务通用

若用HSV处理：只需设定H的范围（如170°-10°，覆盖红色区间）、S的范围（如0.3-1，过滤浅红/灰色）、V的范围（如0.2-1，过滤过暗/过亮区域），即可精准提取苹果，且对光照变化的容忍度更高。1. 预处理H：将H除以60°，得到 h ，计算 h mod 6 得到 h_i （整数，0-5，用于判断颜色所属区间），再计算 f=h - h_i （小数，0-1，用于插值计算）。- H（色相）：决

摘要：参数高效微调(PEFT)技术主要分为参数附加、参数选择和低秩适配三类。参数附加方法通过添加少量可训练模块(如AdapterTuning、PrefixTuning)实现任务适配，不改变原模型结构但会增加推理时间。参数选择方法(如BitFit、FishMask)通过筛选关键参数进行微调，平衡性能与效率。低秩适配方法(如LoRA、QLORA)使用低秩矩阵近似参数更新，兼顾性能与效率，是目前最广泛应

图像滤波是图像处理中的基础技术，主要用于去除噪声并保留有用细节。常见方法分为线性滤波(均值、高斯滤波)和非线性滤波(中值、双边滤波)。线性滤波通过固定模板计算像素加权平均值，适合高斯噪声；非线性滤波则根据局部特征动态处理，能更好保留边缘并去除椒盐噪声。实践建议根据噪声类型选择算法：椒盐噪声用中值滤波，高斯噪声用高斯滤波，需保边时选双边滤波。OpenCV等工具可快速实现这些算法。滤波选择应匹配实际场

在 AI 与 LLM 的技术浪潮中，C++ 或许不是最 “光鲜” 的语言，却始终是性能、底层控制、系统级协同的 “压舱石”。它支撑着从框架研发到模型部署的全流程，既是 AI 创新的 “幕后英雄”，也是开发者在追求极致性能时的 “终极武器”。对于每一位 AI 从业者或爱好者，理解 C++ 在 AI 系统中的角色，不仅能帮你更深入地掌握技术本质，更能在大模型时代的技术竞争中，找到差异化的突破点 ——

摘要：SIFT(尺度不变特征变换)是一种经典计算机视觉算法，具有尺度、旋转和光照不变性。其核心步骤包括构建高斯金字塔检测极值点、精确定位关键点并生成128维特征描述子。SIFT广泛应用于图像匹配、目标识别和三维重建等领域，但也存在计算复杂度高的局限性。虽然后续出现了SURF、ORB等改进算法，SIFT仍作为特征提取的里程碑算法，其思想对理解图像特征表达具有重要意义。

本文介绍了U-Net网络的核心操作及其在MindSpore框架中的实现方法。U-Net包含5类关键操作：3×3卷积+ReLU用于特征提取，最大池化实现下采样，转置卷积进行上采样，特征裁剪拼接用于跳跃连接，以及1×1卷积输出分割结果。文章详细说明了这些操作对应的MindSpore API及其使用方式，包括特征提取模块的组合实现、中心裁剪方法、池化和上采样操作等。这些API可以完整构建U-Net的编码

本文系统阐述了卷积神经网络（CNN）训练与参数调节的关键方法，从数据处理、模型优化到训练策略三个维度展开分析。在数据层面，重点探讨了数据清洗、增强技术和类别均衡策略；在模型层面，对比了经典CNN架构，并介绍了组件优化方法；在训练层面，详细讲解了微调策略、欠/过拟合的解决方案，以及优化器选择、学习率调整等实用技巧。通过数据质量提升、模型结构调整和训练参数优化三个维度的协同配合，可有效提升CNN模型在

本文介绍了中文文本分类的全流程实践，以京东商品评论情感分析为例。首先说明了文本分类在电商、社交等领域的应用价值，详细讲解了数据获取方法（ModelScope平台的DAMO_NLP数据集）和环境搭建步骤（Python+jieba+scikit-learn）。重点演示了数据处理（分词、向量化）、模型训练（逻辑回归）和评估的全过程，并提供了测试样例验证模型效果。最后总结了核心收获、常见避坑点（如数据类型